EEGNet: компактная сверточная нейронная сеть для интерфейсов мозг–компьютер на основе ЭЭГ
EEGNet: a compact convolutional neural network for EEG-based brain–computer interfaces
2018-06-22
SCID: 54.1/fnfyhmhq
Discuss with AI
парадигмы ЭЭГEEGNetинтерфейсы мозг–компьютерсверточная нейронная сетьглубинные и разделимые свертки
Figures from the paper
Abstract (AI)
Цель: Интерфейсы мозг–компьютер (BCI) обеспечивают прямую связь с компьютером, используя нейронную активность в качестве управляющего сигнала. Этот нейронный сигнал обычно выбирают из множества хорошо изученных сигналов электроэнцефалографии (ЭЭГ). Для каждой парадигмы BCI средства выделения признаков и классификаторы адаптируют к специфическим характеристикам ожидаемого управляющего сигнала ЭЭГ, что ограничивает их применение этим конкретным сигналом. Сверточные нейронные сети (CNN), применяемые в компьютерном зрении и распознавании речи для автоматического выделения признаков и классификации, успешно используются в BCI на основе ЭЭГ; однако преимущественно они применялись в рамках отдельных парадигм BCI, поэтому остается неясным, насколько хорошо эти архитектуры обобщаются на другие парадигмы. В настоящей работе рассматривается вопрос о том, можно ли разработать единую архитектуру CNN, способную точно классифицировать сигналы ЭЭГ из разных парадигм BCI и одновременно быть максимально компактной. Подход: В этой работе мы представляем EEGNet — компактную сверточную нейронную сеть для BCI на основе ЭЭГ. Мы предлагаем использовать глубинные и разделимые свертки для построения специализированной для ЭЭГ модели, включающей хорошо известные концепции выделения признаков ЭЭГ для BCI. Мы сравниваем EEGNet — как при классификации внутри одного испытуемого, так и при классификации между испытуемыми — с современными передовыми методами в рамках четырех парадигм BCI: зрительные вызванные потенциалы P300, реакции негативности, связанной с ошибкой (ERN), двигательные корковые потенциалы (MRCP) и сенсомоторные ритмы (SMR). Основные результаты: Мы показываем, что при ограниченном объеме обучающих данных EEGNet лучше обобщается между парадигмами и достигает сопоставимо высокой производительности по сравнению с эталонными алгоритмами во всех протестированных парадигмах. Кроме того, мы демонстрируем три различных подхода к визуализации содержимого обученной модели EEGNet, обеспечивающих интерпретацию выученных признаков. Значимость: Полученные результаты свидетельствуют о том, что EEGNet обладает достаточной устойчивостью для обучения на широком спектре interp...
Key Findings
1
В парадигмах P300, ERN, MRCP и SMR EEGNet лучше обобщается, чем эталонные алгоритмы, при ограниченном объеме обучающих данных.
2
EEGNet достигает сопоставимо высокой точности классификации внутри субъектов и между субъектами по сравнению с современными передовыми методами во всех исследованных парадигмах.
3
EEGNet — компактная специализированная для ЭЭГ сверточная нейронная сеть, использующая глубинные и разделимые свертки для реализации известных принципов выделения признаков ЭЭГ.
4
Продемонстрированы три подхода к визуализации признаков, изученных обученными моделями EEGNet, для интерпретации их работы.
Research Object
ЭЭГ-сигналы из нескольких парадигм BCI (P300, ERN, MRCP, SMR), используемые в электроэнцефалографических интерфейсах «мозг-компьютер»
Research Subject
Производительность классификации и способность к обобщению EEGNet между парадигмами, а также внутри субъекта и между субъектами, включая выученные представления признаков ЭЭГ, при ограниченном объёме обучающих данных
Publication Details
Publication Date
2018-06-22
Journal
Publisher
ISSN
Cited by
5105
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai10
Классификация ImageNet с использованием глубоких сверточных нейронных сетей2017
Очень глубокие сверточные сети для масштабного распознавания изображений2014
Почему я должен вам доверять?2016
Регуляризация и отбор переменных с помощью Elastic Net2005
Глубокие нейронные сети для акустического моделирования в распознавании речи: общее мнение четырёх исследовательских групп2012
Глубокое обучение с использованием сверточных нейронных сетей для декодирования и визуализации ЭЭГ2017
Обзор алгоритмов классификации для интерфейсов мозг–компьютер на основе электроэнцефалографии2007
Xception: Глубокое обучение с глубинно-разделяемыми свертками2016
Сверточные нейронные сети для детектирования P300 с применением к интерфейсам мозг–компьютер2010
Схема глубокого обучения для классификации воображаемых двигательных действий на основе ограниченных машин Больцмана2016
Работы, цитирующие эту статью9
Глубокое обучение с использованием сверточных нейронных сетей для декодирования и визуализации ЭЭГ2017
Обзор алгоритмов классификации для интерфейсов «мозг–компьютер» на основе ЭЭГ: обновление за 10 лет2018
Глубокое обучение для задач классификации электроэнцефалограмм (ЭЭГ): обзор2019
Неинвазивные интерфейсы мозг—компьютер: современное состояние и тенденции2024
Импульсная нейронная сеть с адаптивной графовой свёрткой и LSTM для интерфейсов мозг—компьютер на основе ЭЭГ2023
Подходы глубокого обучения для интерфейсов мозг–компьютер на основе моторного воображения по данным ЭЭГ: современные модели, проблемы обобщения и новые тенденции2025
Объяснимый искусственный интеллект (XAI) для анализа ЭЭГ: обзор современных тенденций и достижений2026
Спайковые нейронные сети для анализа ЭЭГ-сигналов с использованием вейвлет-преобразования2025
Спайковая адаптация фундаментальных моделей ЭЭГ для эффективных по калибровке межсубъектных интерфейсов мозг–компьютер2026